摘要
许多疾病长期以来一直威胁着人类健康，人类迫切的需要新药物来应对这些疾病。从头开发新药物费时费力且失败率高。为了缩短药物的研发周期和成本，人们找到了一种新的药物研发策略，即药物重定位，它是指寻找已知药物的新适应症来加快药物研发的策略。寻找药物的新靶标是药物重定位研究的重要基础。然而，随着当前生物医学数据规模的快速增长，传统的寻找药物新靶标的方法在时间和金钱成本、筛选范围、信息规模等方面都显得难以胜任。新兴的用于预测药物-靶标相互作用的计算方法在应对大规模生物医学数据中优势明显。因此，结合人工智能技术的药物-靶标相互作用预测方法得到了不断的发展和应用。许多研究人员已经开发了基于人工智能技术的方法预测药物和靶标的关系，尽管这些方法在一定程度上预测了药物-靶标相互作用，但是它们仍然存在一些问题。具体而言，这些问题包括：基于传统机器学习模型的预测方法仍然受限于小规模数据集；当前的方法没有充分考虑药物和靶标特征之间的固有内在关系在不同特征空间中的一致性；图神经网络模型为了提高精度会增加网络层数，导致节点特征同质化；当前基于网络结构数据的预测模型很少考虑网络中药物和靶标的全局信息和局部信息的平衡问题。 针对这些问题，本文提出了两种基于生成对抗网络的药物-靶标相互作用预测方法。具体的说，本研究主要完成了以下两个方面的工作： （1）为了解决数据规模受限和特征一致性问题，本研究提出了一种基于改进图生成对抗网络和变分图自动编码器的药物-靶标相互作用预测方法（GGANDTI）。该方法首先利用变分图自动编码器将药物和靶标的拓扑结构信息和节点属性编码为低维隐变量。然后，利用生成对抗网络来增强和改进潜变量中药物和靶标的特征。同时，利用注意力机制增加邻居节点的重要性来改进生成对抗网络。在训练过程中，通过最小化特征之间的相关性误差来保持药物或靶标特征之间的相关性的一致性。实验结果从多个方面证明了此方法可靠的预测性能及有效性。案例研究部分展示了此方法在潜在药物-靶标相互作用识别上的应用能力。 （2）为了解决特征同质化和网络中的信息平衡问题，本研究提出一种基于双向的生成对抗网络的药物-靶标相互作用预测方法（BGANDTI）。此方法设计了正反两个方向的生成对抗网络，并且在特征空间中预先估计了药物和靶标特征的先验分布来保持训练中药物-靶标异质图数据的结构一致性。正向生成对抗网络由一组编码器和判别器组成，用于将图数据映射到表示空间中；反向生成对抗网络由另一组生成器和判别器组成，用于将先验分布中的节点映射回图数据空间。这种方法通过在两个方向上进行对抗学习，平衡了潜在表示空间中的全局结构信息和节点特征信息，获得了更好的性能。实验结果表明此方法优于其它最新的方法。案例研究进一步证实了此方法在未知药物-靶标相互作用识别上的应用价值。
NETL